Bruken av mental trening i treningskvardagen

Devido `a importˆancia da medi¸c˜ao das diversas vari´aveis em ambientes industriais, s˜ao realizados in´umeros trabalhos para otimizar o funcionamento dos sensores que medem estas vari´aveis, envolvendo diferentes linhas de pesquisa.

O sensor que motivou esta pesquisa, o termopar, ´e um dos sensores de temperatura industrial mais utilizados no mercado, por sua grande faixa de utiliza¸c˜ao e resposta r´apida. Desta forma, s˜ao citados aqui tamb´em alguns trabalhos espec´ıficos aplicados `a vari´avel temperatura.

Rosenberg (1994) discute a necessidade de medir-se temperatura com precis˜ao em ambientes industriais. A partir do momento em que computadores l´ogicos program´aveis s˜ao cada vez mais utilizados para controle e monitoramento de diversas vari´aveis in- dustriais isto torna-se poss´ıvel de forma mais efetiva. O autor levanta os avan¸cos al- can¸cados com a evolu¸c˜ao de hardware dispon´ıvel para constru¸c˜ao destes computadores dedicados, sejam eles: aumento de mem´oria e da velocidade de opera¸c˜ao dos proces- sadores. As quest˜oes que devem ser consideradas quando da leitura da temperatura em campo s˜ao detalhadas: isola¸c˜ao, prote¸c˜ao contra sinais esp´urios, prote¸c˜ao `a interferˆencia eletromagn´etica. N˜ao se discute, entretanto, os efeitos causados nos medidores devido a degrada¸c˜oes constantes que acontecem nestes quando em campo.

Bajzek (2005) apresenta um tutorial em instrumenta¸c˜ao e medi¸c˜ao onde discute os princ´ıpios f´ısicos de funcionamento de um termopar. Drebushchak (2009) mostra as raz˜oes matem´aticas fundamentais que tornam o ajuste polinomial da rela¸c˜ao tempe- ratura versus tens˜ao impr´oprios. Esta desvantagem ocorre devido ao fenˆomeno de Runger, que ocorre em fun¸c˜oes com uma potˆencia negativa da vari´avel que, ao serem derivadas e aproximadas por s´eries de Taylor, produzem equa¸c˜oes fatoriais. As discuss˜oes s˜ao realizadas considerando-se aproxima¸c˜oes por s´erie de Taylor e afetam especificamente a t´ecnica de se medir temperatura por meio de interpola¸c˜ao polinomial.

Em (Evans & Rowlands 1988), os autores prop˜oem um sistema microprocessado port´atil capaz de simular e calibrar termopares industriais (tipos B, E, J, K, R, S e T) e que realiza a compensa¸c˜ao de junta fria automaticamente. Bethea & Rosenthal (1992) desenvolvem um sistema autom´atico de calibra¸c˜ao de termopares, especificamente para o tipo K, que opera na faixa da temperatura ambiente at´e 650◦_{C, podendo calibrar at´e}

60 termopares simultaneamente no forno utilizado. Este sistema consiste em um com- putador pessoal, uma unidade de controle e aquisi¸c˜ao de dados e um forno de calibra¸c˜ao

de laborat´orio. Estes dois ´ultimos trabalhos n˜ao investigam a n˜ao-linearidade dos sen- sores. Ambos utilizam como referˆencia de calibra¸c˜ao pontos dispon´ıveis em tabelas de normas internacionais de temperatura, cada trabalho utilizando a norma vigente.

J´a Hudoklin, Drnovsek, Pusnik & Bojkovski (2002) prop˜oem um sistema capaz de calibrar diversos termopares simultaneamente e analisam as raz˜oes para ocorrˆencia de erros em calibra¸c˜oes simultˆaneas. Otimizando estes erros, tem-se o tempo total de cali- bra¸c˜ao e consequente custos para tal diminu´ıdo, atendendo a laborat´orios que possuem grandes quantidades de sensores a serem calibrados.

Diante do fato da n˜ao-linearidade da rela¸c˜ao sinal de entrada-sa´ıda medida pelos termopares, a necessidade da ado¸c˜ao de t´ecnicas de lineariza¸c˜ao torna-se presente. Em (Pereira, Girao & Postolache 2001), os autores apresentam uma vis˜ao geral das t´ecnicas cl´assicas de interpola¸c˜ao para lineariza¸c˜ao de dados e treinamento por meio de regress˜ao de m´ınimos quadrados (LMS). ´E realizada uma compara¸c˜ao de performance entre a interpola¸c˜ao polinomial e as aproxima¸c˜oes por meio de redes neurais artificiais para medi¸c˜ao de dados, com especial aten¸c˜ao para a redu¸c˜ao da dimens˜ao do conjunto de pontos de calibra¸c˜ao para obter-se determinada precis˜ao. Os resultados apresentados neste artigo encorajam a investiga¸c˜ao das redes neurais como t´ecnicas de lineariza¸c˜ao, pois exibem ganhos de performance por esta t´ecnica quando comparado `as t´ecnicas tradicionais.

Klopfenstein (1994) discute algoritmos de lineariza¸c˜ao para termopares, termistores e termorresistˆencias. Cada um destes sensores possui quest˜oes para lineariza¸c˜ao es- pec´ıficas. No caso dos termopares, por exemplo, devem ser utilizadas t´ecnicas para compensar, al´em da n˜ao-linearidade sinal de entrada-sa´ıda j´a citada anteriormente, os desvios na jun¸c˜ao de referˆencia destes. O autor discute separadamente t´ecnicas pr´oprias para termistores e para termorresistˆencias e apresenta, ainda, polinˆomios de ordem re- duzida com rela¸c˜ao aos polinˆomios tradicionais de lineariza¸c˜ao utilizados para os ter- mopares. Ele cita, no entanto, que h´a uma perda de precis˜ao no valor de temperatura calculado, o que ´e contradit´orio com o trabalho apresentado por Drebushchak (2009).

Para otimizar caracter´ısticas como precis˜ao da medi¸c˜ao, imunidade a ru´ıdos de am- biente e aumento da faixa de medi¸c˜ao, s˜ao propostos sistemas inteligentes de auto- calibra¸c˜ao de sensores.

Ruppel (1990) desenvolveu um sistema computacional para simula¸c˜ao baseado em diferen¸cas finitas capaz de reproduzir o comportamento termodinˆamico de um termopar auto-calibrado que reconhe¸ca qual ponto da curva temperatura versus tempo ´e o ponto

12 Introdu¸c˜ao

de calibra¸c˜ao ideal do termopar. A utiliza¸c˜ao do m´etodo de diferen¸cas finitas para simular o comportamento dos sensores de temperatura ao longo do tempo ´e interessante e parece adequado a este problema, uma vez que os efeitos que regem o funcionamento dos termopares s˜ao baseados em gradientes de temperatura e diferen¸cas entre ligas met´alicas. Yang & Clarke (1997), prop˜oem um modelo para um termopar auto-validado que seja capaz de detectar v´arios tipos de falhas internas, incluindo a perda de contato com o ambiente de medi¸c˜ao, e mostra como os c´alculos de incertezas associados podem ser realizados.

H´a diversos estudos na tentativa de tornar os sensores efetivamente inteligentes, im- plementando m´etodos que realizem a lineariza¸c˜ao, a compensa¸c˜ao de junta fria, a escolha de termopares para as faixas adequadas, a auto-calibra¸c˜ao do sensor. Estes sistemas s˜ao compostos de implementa¸c˜oes em hardware e software, de t´ecnicas e m´etodos diversos conjugados, para que a finalidade de tornar o sistema todo autom´atico e inteligente possa ser alcan¸cada.

Em (Comisky, Drake & Dempsey 1995), os autores prop˜oem um conversor anal´ogico- digital baseado em redes neurais, j´a integrando os conceitos de hardware e software, ao implementar uma rede neural com amplificadores eletrˆonicos de baixo ganho repre- sentando cada neurˆonio desta rede. Weremczuk (1997) investiga o uso de algoritmos gen´eticos para calcular os pontos e a distribui¸c˜ao ´otima para calibra¸c˜ao de sensores in- teligentes. As t´ecnicas de algoritmos gen´eticos buscam uma melhora de desempenho na procura por pontos espec´ıficos de calibra¸c˜ao.

Em (Patra & van den Bos 2000, Patra, Ang & Das 2004, Patra, Chakraborty & Meher 2008), verificam-se propostas de implementa¸c˜oes em hardware de RNAs do tipo Perceptron de M´ultiplas Camadas para compensa¸c˜ao e lineariza¸c˜ao de sensores. Patra, Devi & Meher (2007) apresentam uma implementa¸c˜ao em um chip FPGA (Field Pro- grammable Gate Array) de uma rede de fun¸c˜oes de base radiais (RBF) para compensa¸c˜ao de sensores de press˜ao. Estes trabalhos mostram, em comum, o grande potencial da uni˜ao entre as t´ecnicas computacionais de redes neurais e sua integra¸c˜ao ao hardware, no caso as FPGAs, Field Programmable Gate Array para realizar aproxima¸c˜oes de fun¸c˜oes e lineariza¸c˜ao de dados.

Chatterjee, Munshi, Dutta & Rakshit (2000) utilizam uma rede RBF para linearizar a caracter´ıstica est´atica de sensores de umidade capacitivos.

Reyneri (2003) apresenta uma vis˜ao geral das implementa¸c˜oes de redes neurais ar- tificiais e sistemas fuzzy em hardware. ´E feita a an´alise das limita¸c˜oes, vantagens e

desvantagens para os sistemas anal´ogicos, digitais, sequˆencia de pulsos e outras t´ecnicas de implementa¸c˜ao. S˜ao analisados os parˆametros de performance de hardware e as difi- culdades inerentes a diversas metodologias de implementa¸c˜ao.

J´a as investiga¸c˜oes sobre o treinamento de redes neurais s˜ao realizadas por Parma, Menezes & Braga (1998), onde ´e proposto um treinamento baseado em controle por modos deslizantes. Barreto (2003) prop˜oe um algoritmo gen´etico de m´ınimos quadrados ortogonal para realizar o treinamento de redes RBF. A investiga¸c˜ao de t´ecnicas mais efi- cientes de treinamento das redes, inclusive desenvolvendo-se as pr´oprias t´ecnicas, trazem novas possibilidades investigativas a respeito delas pr´oprias e de suas aplica¸c˜oes.

Ainda no estudo de redes, desta vez a rede Perceptron de M´ultiplas Camadas, xei ra, Braga, Takahashi & Saldanha (2000) investigam o treinamento multiobjetivo destas, realizando uma an´alise sobre o dilema entre polariza¸c˜ao e variˆancia existente na procura pelos pesos ´otimos de ajuste da rede.

Jin & Sendhoff (2008) apresentam uma vis˜ao da pesquisa existente sobre otimiza¸c˜ao multiobjetivo de m´aquinas de aprendizagem, focando-se em aprendizagem supervisio- nada. Trˆes aproxima¸c˜oes para a gera¸c˜ao do Pareto multiobjetivo s˜ao comparadas e discutidas em detalhes.

A abordagem multiobjetivo para o treinamento de redes neurais artificiais ´e apresen- tada e discutida em (Braga, Takahashi, Costa & R. A. Teixeira. In: . (Org.). . 1 ed. : 2006), (xei ra, Braga, Takahashi & Saldanha 2000), (Teixeira, Braga, Takahashi & Saldanha 2000), onde a rede apresentada ´e o Perceptron de M´ultiplas Camadas.

Medrano-Marques & del Brio (2000) prop˜oem um m´etodo geral de lineariza¸c˜ao para sensores quaisquer, baseado na implementa¸c˜ao de uma rede neural artificial simples que fa¸ca a compensa¸c˜ao das caracter´ısticas n˜ao-lineares do sensor em quest˜ao. A rede neural utilizada ´e a Perceptron de M´ultiplas Camadas e a entrada da rede ´e composta dos valores n˜ao-lineares de sa´ıda do sensor. J´a os dados de sa´ıda da rede (os valores a serem alcan¸cados) s˜ao a diferen¸ca entre o valor linear desejado para este e a sa´ıda do sensor. Introduzem, aqui, o cuidado que se deve ter com a topologia utilizada em implementa¸c˜oes e a forma como os dados s˜ao fornecidos `a rede para treinamento.

Em trabalhos mais recentes, Danisman, Dalkiran & Celebi (2006) descrevem um m´etodo para teste e calibra¸c˜ao de diferentes tipos de termopares utilizando algoritmos baseados em redes neurais artificiais integrados com um instrumento virtual. Uma rede Perceptron de M´ultiplas Camadas e uma placa de aquisi¸c˜ao de dados com uma unidade

14 Introdu¸c˜ao

de condicionamento de sinal s˜ao implementadas neste artigo. Os dados de treinamento s˜ao obtidos de um calibrador de laborat´orio e as entradas da rede s˜ao as tens˜oes medidas por um tipo de termopar equivalente. Embora utilizem t´ecnicas de redes neurais, neste trabalho o objetivo n˜ao ´e linearizar o sensor, mas identificar sua curva e seu tipo.

Rivera, Carrillo, Chac´on, Herrera & Bojorquez (2007) analisam diversas topologias de redes neurais e algoritmos de treinamento implementados para lineariza¸c˜ao de sensores. Realizam a compara¸c˜ao da t´ecnica de rede neural com a interpola¸c˜ao polinomial. Em seguida implementam a rede neural treinada em um microcontrolador. Schoen (2007) apresenta algoritmos para melhorar a performance dinˆamica de sensores e prever padr˜oes de sinais de medi¸c˜oes futuras. Para melhorar a performance dinˆamica ele prop˜oe dois filtros inversos. Um dos filtros incorpora uma constante ´otima de ganho que reduz o custo computacional e melhora a precis˜ao. Um m´etodo de identifica¸c˜ao de sistema ´e utilizado para encontrar as propriedades dinˆamicas do sensor e permitir a adapta¸c˜ao dos parˆametros do filtro inverso, que ´e um filtro adaptativo. ´E utilizado um algoritmo gen´etico para escolha dos parˆametros ´otimos do modelo da constante de ganho do sistema realimentado. O uso do algoritmo gen´etico permite que a escolha dos parˆametros ´otimos seja realizada de forma mais r´apida, quando comparada a t´ecnicas cl´assicas de otimiza¸c˜ao n˜ao-linear.

Wen, Qing & Qiang (2007) prop˜oem combinar a tecnologia de um instrumento virtual com redes neurais para encontrar um modelo caracter´ıstico tens˜ao versus temperatura do termopar e o algoritmo do gradiente descendente com um fator de momento ´e usado para ajustar os parˆametros de uma rede neural RBF. A implementa¸c˜ao ´e realizada em software e em hardware.